factores determinantes de las quiebras en microempresas

Factores determinantes de las quiebras en microempresas

XXII Jornadas ASEPUMA – X Encuentro Internacional

Anales de ASEPUMA nº 22: 1505

1

Factores determinantes de las quiebras en

microempresas.

Vázquez Cueto, María José [email protected]

Departamento Economía Aplicada III

Universidad de Sevilla

Irimia-Diéguez, Ana [email protected]

Departamento de Economía financiera y Dirección de Operaciones


Blanco Oliver, Antonio José [email protected]

Departamento de Economía financiera y Dirección de Operaciones


RESUMEN

La pequeña y mediana empresa es uno de los principales motores de las economías

europeas. De entre ellas, un alto porcentaje son microempresas las cuales generan la mayor

parte del empleo. En la actualidad este segmento empresarial está sufriendo en mayor medida la

situación de crisis financiera, con la consecuente elevación de la tasa de destrucción de las

mismas. En este contexto, desarrollar modelos de quiebra específicos para este tamaño

empresarial e identificar las variables con mayor poder explicativo constituye un reto. Aquí se

aborda la cuestión llegando a ser un trabajo pionero en este campo, en tanto la metodología

utilizada como en el sector al que se aplica, caracterizado por una elevada opacidad informativa.

Partiendo de variables financieras y no financieras que han sido utilizadas con relativo éxito en

el pronóstico de quiebra empresarial en general, tratamos de determinar cuáles de ellas están

afectando en mayor medida a la microempresa. Para ello utilizamos una técnica no paramétrica

de aprendizaje basada en los rough set, que aplicamos a una muestra de empresas del Reino

Unido, con iguales porcentajes respecto a su situación de fallida y a su carácter familiar, por ser

esta última característica un factor condicionante de los resultados.

mailto:[email protected]



Vázquez, Irimia, Blanco



2

ABSTRACT

The small and medium enterprises are one of the main drivers of European economies.

A large percentage consists of microenterprises that generate the most part of employment.

Today this business segment is suffering the financial crisis, with the consequent increase in the

rate of destruction of the same. So develop specific models for these bankruptcy and identify

variables with greater explanatory power is challenging. So this study is becoming a pioneering

work in this field in both the methodology used and the sector to which it applies, which has a

higher opacity. Based on financial and non-financial variables that have been used with relative

success in predicting bankruptcy in general, we try to determine which ones are affecting more

to microfirms. We use a nonparametric learning technique based on the rough sets, which apply

to a sample of UK firms, balanced on its failed situation and its familiar character, which

determines the results.

Palabras claves: Microempresas; Microentidades; Quiebra; Rough Set; Empresa

familiar

Área temática: Aspectos Cuantitativos De Problemas Económicos y Empresariales




3

1. INTRODUCCIÓN

Las Microentidades son consideradas por muchos autores la columna vertebral

de las principales economías desarrolladas, ya que influyen decisivamente en la

reducción del desempleo y en el incremento de la innovación y la competitividad

(McPherson, 1996; Mead and Liedholm, 1998). Además, gracias a su sencilla estructura

pueden responder rápidamente a los cambios tanto de las condiciones económicas como

de las necesidades de sus clientes, creciendo en algunas ocasiones, a un ritmo superior

al que lo hacen las grandes corporaciones (Altman y Sabato, 2007).

No obstante, en los últimos años, este segmento empresarial viene sufriendo

elevadas tasas de quiebra, afectando negativamente al empleo y a la competitividad del

tejido empresarial (Carter y Van Auken, 2006). Tres características intrínsecas de las

Microentidades parecen estar tras sus elevadas tasas de quiebra. La primera está

relacionada con la limitación de la información financiera disponible, debido a que

presentan cuentas anuales abreviadas y usualmente no auditadas (Berger y Frame,

2007). Esta opacidad de información dificulta un adecuado análisis económico-

financiero que permita detectar situaciones de insolvencia empresarial. La segunda está

vinculada con el modo de gestión de las Microentidades, en las que las figuras del

propietario y del directivo suelen recaer en la misma persona (Ciampi y Gordini,

2013).En estos casos, la fiabilidad de la información económico-financiera está en

entredicho debido a la ausencia de mecanismos de control de gobierno corporativo

(Claessens, Djankov, y Lang, 2000; Fan y Wong, 2001). Y en tercer lugar, el carácter

familiar de las Microentidades influye decisivamente en su gestión. En este sentido la

literatura previa sugiere que las empresas familiares frecuentemente tienen ciertos

problemas relacionados con su propia idiosincrasia, como por ejemplo son: la sucesión

familiar, la escasa especificación profesional de los gestores y su baja productividad.

Morten, Nielsen, Perez-Gonzalez, y Wolfenzon (2007) encuentran que las empresas

gestionadas por familiares obtienen menor rentabilidad y presentan mayor probabilidad

de caer en quiebra. En cambio, Miller, Griffiths, y Jordan (2009) encuentran evidencias

en sentido contrario.

http://qje.oxfordjournals.org/search?author1=Francisco+Perez-Gonzalez&sortspec=date&submit=Submit

http://qje.oxfordjournals.org/search?author1=Daniel+Wolfenzon&sortspec=date&submit=Submit




4

En este contexto, se hace necesario el desarrollo de modelos específicamente

desarrollados para las Microentidades que permitan anticipar situaciones de insolvencia

ya que las características propias de este segmento empresarial (anteriormente

expuestas) imposibilitan, limitan o distorsionan el desarrollo de adecuados análisis

económico-financieros para predecir sus dificultades financieras (Blanco, 2012). Estos

modelos deberán estar adaptados a la información financiera disponible y considerar el

carácter familiar de la microempresa como un factor especialmente relevante y

diferenciador de su comportamiento.

Por tanto, el principal objetivo de este trabajo es mostrar la importancia que

tiene la información no financiera en el desarrollo de modelos de predicción de la

insolvencia empresarial específicamente desarrollados para las Microentidades,

diferenciando entre Microentidades familiares y no familiares con la finalidad de

determinar factores discriminadores relacionados con el carácter familiar1. Para llegar a

este objetivo se ha utilizado una gran muestra de Microentidades del Reino Unido con

información financiera, no financiera y macroeconómica del periodo 1999-2008.

El presente trabajo se estructura como sigue. En el segundo epígrafe se expone

la metodología a seguir, basada en la teoría de los “Rough Sets” (en adelante, RS) o

“conjuntos vagos o con fronteras no bien definidas”. Expondremos brevemente los

fundamentos de la técnica y cómo puede adecuarse para los objetivos fijados. El

epígrafe tres lo dedicamos a la explicación de la base de datos y a la forma de

extracción de la muestra que, posteriormente, será utilizada en la aplicación práctica. En

el epígrafe cuatro definiremos las variables que vamos a utilizar en el estudio: la

variable dependiente y los conjuntos de variables independientes/informativas

financieras y no financieras. En el quinto se exponen los resultados, comenzando con

una descripción de los comportamientos de las variables en las empresas familiares y en

las empresas no familiares y según estén en situación de insolvencia o no. En el último

epígrafe, sexto, expondremos las conclusiones.

2. METODOLOGÍA

1 En este estudio se ha definido empresa familiar como aquella en la que, al menos, el 60% de las

acciones de la empresa pertenecen a la misma familia.




5

Siguiendo la clasificación de los sistemas inteligentes realizada por O´Leary

(1995), la metodología de los Rough Set (RS) podemos encuadrarla dentro de los

métodos de La Inteligencia Artificial. El enfoque RS transformará una base de datos en

una base de conocimiento e inferirá reglas de decisión del tipo “SI…ENTONCES…”

que permitirán adquirir nuevo conocimiento.

La teoría, introducida por Z. Pawlak en 1982, está diseñada para tratar con la

ambigüedad y la incertidumbre de la información y es efectiva para el análisis de los

sistemas de información financiera de una colección de objetos descritos por un

conjunto de variables (Pawlak, Grzymala-Busse, Slowinski and Ziarko, 1995). La idea

básica descansa en la relación de indiscernibildad que describe elementos

indistinguibles. Sus conceptos básicos son 1) la discernibilidad, 2) la aproximación, 3)

los reductos y 4) las reglas de decisión.

Dentro de las tres categorías de imprecisión que distingue Mosqueda (2010), en

el análisis científico, la teoría Rough Set se corresponde con la tercera, que es útil

cuando las clases en las que han de catalogarse los objetos son imprecisas, pero, sin

embargo, pueden aproximarse mediante conjuntos precisos. En ella no se necesita

ninguna información adicional acerca de los datos, tales como una distribución de

probabilidad en estadística, o el grado o probabilidad de pertenencia en la teoría de

lógica difusa.

El punto de partida del método es la existencia de una tabla de

información/decisión, donde cada elemento viene caracterizado por un conjunto de

variables y una variable de decisión, que clasifica al elemento en una de dos o más

categorías. La indiscernibilidad se produce cuando dos elementos vienen caracterizados

por los mismos valores de las variables y, sin embargo, no coinciden las categorías en

las que se clasifican. En tal caso, y para cada clase de decisión o categoría, X, y cada

subconjunto B de variables, se construyen dos conjuntos, denominados respectivamente

aproximaciones por debajo y aproximaciones por encima de la clase de decisión. El

primero, XB , viene dado por el conjunto de todos los elementos que, caracterizados por

B, con toda seguridad pertenecen a X. El otro, XB , viene dado por el conjunto de

elementos que, en base a la información B que poseemos, podrían ser clasificados como




6

elementos de X. La diferencia entre los dos conjuntos la forman los elementos de los

que no sabemos con toda certeza, usando sólo la información contenida en B, si

pertenecen a X. Si esta diferencia es no vacía el conjunto de elementos de X no está

definido de forma precisa, pero sí que tiene asociado este par de conjuntos precisos, y,

en tal caso, se dice que X es un rough set respecto a B. Numéricamente podemos

caracterizarlo por el cociente entre el cardinal del conjunto aproximación por debajo y

el cardinal del conjunto aproximación por encima. A este cociente se le denomina

precisión. Si existen varias clases de decisión, a la suma de los cardinales de todas las

aproximaciones por debajo dividida por el total de elementos se denomina calidad de la

clasificación por medio del conjunto B. Es el porcentaje de elementos correctamente

clasificados.

Otro aspecto importante es la reducción de la tabla, estableciendo la dependencia

entre las variables y eliminando la información redundante. Este proceso se realiza a

través de los reductos. Un reducto R es un conjunto mínimo de variables que conserva

la misma habilidad de clasificación de los elementos que la tabla completa, es pues la

parte esencial del conocimiento y constituye la manera más concisa mediante la cual

podemos distinguir las clases de decisión.

La etapa final del análisis es la creación de reglas de decisión, es decir, reglas

que nos permitan decir si un elemento dado pertenece a determinada clases de decisión.

Estas reglas representan el conocimiento y se generan combinando los reductos con los

valores de los datos. Una regla de decisión se presenta como una sentencia lógica del

tipo SI (se cumplen determinadas condiciones) ENTONCES (el elemento pertenece a

una determinada clase de decisión). Estas reglas nos permitirán, de manera fácil,

clasificar a nuevos elementos.

Las primeras y más proliferas aplicaciones de la metodología expuesta la

encontramos en los ensayos clínicos (Tsumoto, 1998) en las que incluso se compara con

otras técnicas (Gorzalczany y Piasta ,1999) y no es hasta 1999 cuando encontramos la

primera aplicación a la quiebra empresarial (Dimitras, Slowinski, Susmaga y

Zopounidis, 1999), en concreto a empresas griegas durante los años 1986 a 1990, a las

que se clasificó en situación de quiebra o no utilizando 26 ratios financieros. Trabajo

que fue precedido por las aproximaciones de Slowinski y Zopounidis (1995) y la




7

generalización de Greco, Matarazzo y Slowinski (1998). Es de destacar también el

trabajo de McKee, (2000), por ser la primera aplicación a la quiebra de empresas

cotizadas en US, y ofrecer una panorámica general de las ventajas de la metodología

frente a otras. Tay y Shen (2002) dividen la aplicación del modelo en la economía en

tres áreas principales: predicción de crisis empresarial, utilización de grandes bases de

datos en marketing e inversiones financieras, de hecho empiezan a aparecer trabajos

dedicados a las quiebras de empresas. Aún así, en la exhaustiva revisión de la literatura

de Ravir Kumar y Ravi (2007), sobre los trabajos realizados desde 1965 hasta 2005,

enla aplicación de técnicas estadísticas y de inteligencia artificial para tratar problemas

de predicción de quiebra en bancos y empresas2 sólo encuentra seis artículos donde se

utiliza la metodología de los rough sets. En definitiva, la metodología como tal ha sido

escasamente aplicada al análisis de la quiebra empresarial.

En nuestro trabajo vamos a partir de un conjunto de numerosas variables de

carácter financiero y no financiero y vamos a trabajar en dos sentidos: En primer lugar

veremos si la introducción de variables no financieras mejora o no la calidad de la

clasificación posterior y, en segundo lugar, determinaremos los reductos para

determinar qué variables son redundantes, en el sentido de no aportar más información a

la ya existente, en cuyo caso se podría prescindir de ellas sin que se vieran afectados

los porcentajes de clasificación correcta. Estos análisis se harán separadamente para las

empresas familiares y no familiares, detectando así si existen diferencias en los datos

necesarios para clasificar bien a las empresas insolventes dentro de cada grupo. Los

resultados obtenidos, si son importantes para el análisis de cualquier conjunto de datos,

aún lo es más para el sector al que lo vamos a aplicar: el de las Microentidades, en el

que la información de uno u otro tipo es bastante opaca y difícil de conseguir.

3. BASE DE DATOS

2 La revisión se concentra en trabajos publicados en las áreas de contabilidad, finanzas, empresas,

investigación operativa, sistemas expertos y sistemas de decisión. No incluye tesis ni documentos de

trabajo.




8

La base de datos empleada en nuestra investigación empírica es una fuente de

información secundaria proporcionada por el Credit Management Research Centre (en adelante,

CMRC) perteneciente a Leeds University Business School de la Universidad de Leeds

(Inglaterra). Contiene información (ratios económico-financieros, variables no financieras y

macroeconómicas) de pequeñas y medianas empresas (PYMEs) del Reino Unido entre los años

1999-2009 (ambos inclusive). Concretamente contiene 4.813.391 de cuentas anuales de PYMEs

(98,32% no insolventes y 1,68% insolventes).3

Como el objeto de nuestra investigación son las micro-entities (en adelante,

microentidades o microempresas4) y nuestro periodo temporal comprende los años 2007 a

20095, la muestra quedó restringida a 1.680.782 empresas, de las cuales 99,78% son no

insolventes y 1,22% insolventes. 468.568 correspondientes a 2007 (98,89% no insolventes),

540.420 a 2008 (98,65% no insolventes) y 651.323 a 2009 (98,82% no insolventes).Esto supone

para la muestra unos porcentajes de no insolventes del 28,22% (en 2007), 32,55% (en 2008) y

39,23% (en 2009).

Otra de las características sobre la que pretendemos realizar el estudio es la

consideración de empresas familiar o no. Así, la muestra original quedó descompuesta de la

siguiente forma: para las microentidades no familiares 231.743 (98,72% no insolventes) en

2007, 270.921(98,47% no insolventes) en 2008, y 357.102 (98,84% no insolventes) en 2009.

Para las microentidades familiares estos datos fueron respectivamente 236.825 (99,06%),

269.499 (98,82%) y 294.221 (98,78%)

Tabla 1: Microentidades

Porcentaje

en la

muestra

Microentidades no familiares Microentidades familiares

insolvencia insolvencia

no si no si

Año

del

análi

sis

2007 26,95% 26,37% 29,58% 29,58%

2008 31,51% 36,96% 33,66% 33,66%

2009 41,53% 36,68% 36,75% 39,83%

Elaboración propia.

3 En línea con otros estudios, se define como empresas insolventes a aquellas que han entrado en

situación concursal, en fase de liquidación o han cesado su actividad por dificultades financieras. 4 Las micro-entidades (MEs) fueron definidas en Mayo de 2011 por el Consejo de Competitividad

Europeo como aquellas empresas con una cifra de negocios anual de menos de 500.000 €, un activo total

de menos de 250.000 € y un número de empleados menores a 10 personas (BIS, 2011). 5 Considerado 2008 como el año de estallido de la crisis, tomamos un año antes y un año después.




9

A continuación aplicamos, al igual que la mayoría de los trabajos empíricos sobre

modelos de predicción de la insolvencia empresarial recogidos en la literatura previa (ver, por

ejemplo, Beaver, 1966; Altman, 1968; Deakin, 1972; Edmister, 1972; Blum, 1974; Fletcher y

Goss 1993; Tsukuda y Baba 1994; Leshno y Spector 1996), la metodología del emparejamiento

(matched pairs methodology). Esta técnica consiste en utilizar una muestra de casos en la que el

número de empresas insolventes y solventes sean iguales. Como no queríamos perder la

perspectiva temporal ni familiar y la proporción de casos insolventes es mucho menor que la de

casos solventes, se procedió a realizar una selección aleatoria de casos no insolventes.

Finalmente, la muestra con la que se trabajó, por año y por tipo de empresa, queda recogida en

la Tabla 4 siguiente.

Tabla 2: Microentidades que forman la muestra

Micro

entidad no

familiar

insolvencia insolvencia insolvencia

no si no no no si

Recuento Recuento Porcentaje

en el año

Porcentaje

en el año

Porcentaje

en la

muestra

Porcentaje

en la

muestra

Año

del

anál

isis

2007 1124 1499 42,85% 57,15% 21,10% 25,95%

2008 1324 2099 38,67% 61,33% 24,85% 36,33%

2009 2879 2179 56,92% 43,08% 54,05% 37,72%

Micro

entidad

familiar

insolvencia insolvencia insolvencia

no si no si no si

Recuento Recuento Porcentaje

en el año

Porcentaje

en el año

Porcentaje

en la

muestra

Porcentaje

en la

muestra

Año

del

anál

isis

2007 1144 1123 50,46% 49,54% 29,55% 24,86%

2008 1318 1599 45,18% 54,82% 34,04% 35,40%

2009 1410 1795 44,00% 56,00% 36,42% 39,74%

Elaboración propia

Es decir, un total de 11.104 empresas no familiares, 52,03% no insolventes, y 8.389

empresas familiares, de las cuales el 46,16% eran no insolventes. En el grupo de empresas no




10

familiares, tras eliminar las observaciones en las que faltaba algún dato (valores perdidos),

quedó una muestra válida de 11.087 empresas no familiares con un porcentaje de no insolventes

del 47,65%.

4. DESCRIPCIÓN DE LAS VARIABLES

4.1. La variable dependiente: la insolvencia empresarial.

Aunque la literatura especializada no suele distinguir entre los términos de

quiebra, insolvencia, fracaso, dificultades financieras y problemas financieros

empresariales, cuando trata de desarrollar modelos de predicción, estos no son

conceptos similares. Por ello vamos a conceptualizar exactamente cuál es la variable

dependiente a estudiar. En nuestra base de datos las empresas consideradas insolventes

son aquellas que estuvieron en alguna de las tres situaciones siguientes:

1. Liquidación empresarial motivada por problemas financieros.

2. Administración concursal.

3. Quiebra empresarial.

Todas aquellas empresas que estuvieran en cualquiera de estas tres situaciones

serán calificadas indistintamente en este trabajo como empresas insolventes, quebradas,

fracasadas, o con problemas o dificultades financieras, y a la variable dependiente se le

asignará el valor 1. En caso contrario tomará el valor 0.

4.2. Variables financieras.

Existe un importante número de variables financieras, la mayoría de ellas ratios,

que se han mostrado útiles en la clasificación/predicción de la quiebra de una empresa.

Estudios empíricos previos han encontrado que una empresa es más probable que caiga

en quiebra si es poco rentable, está muy endeudada y padece dificultades de liquidez

(Myers, 1977).

Todos los ratios financieros que se utilizan en este estudio han sido previamente

empleados por autores tales como Altman (1968), Altman et al. (2010), Ohlson (1980),

Taffler (1984), and Zmijewski (1984). En total hemos considerado catorce ratios

financieros (Tabla 5) que hemos agrupado en cinco categorías de acuerdo con el aspecto

financiero que mide la variable: endeudamiento, liquidez, beneficio, actividad y tamaño.




11

En la tabla 3 se describen los ratios, su forma de cálculo y la categoría en la que se ha

encuadrado.

En la literatura existente, los ratios de endeudamiento y aquellos relacionados

con la atención al cumplimiento de las deudas son los que aparecen como mejores

predictores de la quiebra y son un reflejo fiel del riesgo financiero. Además, de acuerdo

con la teoría de las finanzas corporativas las empresas con mayores obligaciones

respecto a su capital son las que presentan mayores probabilidades de padecer

problemas financieros. En este sentido, hemos considerado cuatro ratios de

endeudamiento: Capital Invertido/ Recursos Ajenos l.p., Recursos Ajenos a c.p. /

Activo, Recursos Ajenos l.p. / Activo Corriente y Patrimonio Neto / Activo. La liquidez

también es una categoría común en la mayoría de las decisiones acerca del crédito ya

que representa la habilidad de convertir un activo en dinero en efectivo de manera

rápida.

En este trabajo también hemos considerado cuatro ratios dentro de esta

categoría: Activos líquidos / Activo Corriente, Tesorería / Patrimonio Neto, Activo

Corriente / Pasivo Corriente y Tesorería / Activo. El primero de ellos resulta ser

determinante en la probabilidad de quiebra en el trabajo de (Chen et al., 2011).

Respecto a la rentabilidad, hemos incluido un ratio en nuestro análisis, y hemos

optado por Reservas / Activo, medimos así la habilidad para acumular reservas y puede

ser utilizado como una variable proxy de la rentabilidad futura.

Los tres ratios referentes a proveedores y clientes son importantes para las

pequeñas empresas, que tienden a depender financieramente de la forma de pago a los

proveedores6 y la forma de cobro a los clientes, utilizando también el crédito comercial

como estrategia de ventas para luchar contra la competencia.

Fundamentalmente son las pequeñas empresas las más propensas a acumular

deudas comerciales pendientes de pago, lo que, junto a un inventario, en la mayoría de

los casos, obsoleto, les hace tener dificultades para obtener créditos a corto plazo de los

proveedores o de los bancos. Por otra parte, el crédito comercial se compone en un gran

6 Las pequeñas empresas suelen acudir a la financiación vía proveedores como sustituta de la financiación

bancaria, representando dicha financiación un alto porcentaje de los recursos




12

porcentaje por los pasivos de una empresa, siendo este hecho especialmente relevante

en las Microentidades (Hudson, 1987).

Tabla 3. Variables Financieras

Estudios previos muestran la ambigüedad de la influencia del tamaño de la

empresa, sobre la quiebra de una empresa. Así, Dietsch y Petey (2004) encuentran que

las grandes empresas son menos propensas a encontrarse con las restricciones de

crédito gracias al efecto de su buena reputación, y sus estudios concluyen que el

pequeño tamaño de la empresa puede llevar a la insolvencia. En cambio Altman et al.

(2010) encuentran que la relación entre el tamaño de los activos y el riesgo de

Ratio Cálculo Categoría

Total_Assets Activo Tamaño

Stlta Recursos Ajenos a c.p. / Activo Endeudamiento

HHI_Sales Poder de mercado

Celt Capital Invertido/ Recursos Ajenos

l.p. Endeudamiento

Qaca Activos líquidos / Activo Corriente Liquidez

Prta Reservas / Activo Rentabilidad

Tlca Recursos Ajenos l.p. / Activo

Corriente Endeudamiento

Ncnw Tesorería / Patrimonio Neto Liquidez

Cratio Activo Corriente / Pasivo Corriente Liquidez

Tctd Proveedores / Clientes Actividad

Tctl Proveedores / Recursos Ajenos l.p. Actividad

Tdta Clientes / Activo Actividad

Cashta Tesorería / Activo Liquidez

Nwta Patrimonio Neto / Activo Endeudamiento




13

insolvencia no es lineal, siendo positivo cuando las empresas tienen menos de £

350.000, y negativo cuando su activo es superior a este valor.

Finalmente hemos unido a estos catorce ratios una variable indicativa de la

situación económica-financiera del sector donde opera la empresa, Indwoe. Esta

variable es la inversa de la probabilidad de quiebra del sector, y se ha calculado para

cada empresa a partir de un modelo desarrollado por el Credit Management Research

Centre de la Universidad de Leeds y ha sido utilizada en diversos artículos científicos

de máximo nivel académico (Altman et al., 2010).

4.3. Información no financiera.

La literatura no es concluyente respecto al poder que tiene la información no

financiera para incrementar la capacidad predictiva de los modelos de insolvencia

empresarial. Así, Jacobson et al. (2008) sugieren que la información macroeconómica

resulta útil para complementar la información proporcionada por los ratios financieros,

tanto en empresas cotizadas como en compañías no cotizadas. En cambio, en el trabajo

de Liou y Smith (2006) esta información tiene un poder explicativo relativamente bajo.

Además, es extremadamente complejo obtener información no financiera sobre

cualquier empresa, siendo especialmente difícil en el caso de las pequeñas, debido,

fundamentalmente, a que no están obligadas a publicarla. Por ello, la gran mayoría de

los estudios sobre modelos predicción de la quiebra empresarial no utilizan variables no

financieras como predictores, siendo este uno de los principales aspectos a mejorar

sugeridos por la literatura especializada. Siguiendo esta línea de pensamiento hemos

considerado las variables no financieras que se muestran en la Tabla 4 siguiente.

Tabla 4. Variables no financieras

Variables Explicación Categorías

Ln_Age Logaritmo neperiano edad empresa

Late Filing days_1 Retraso presentación cuentas No (0)

Si (1)

Late Filing days_2 Retraso presentación cuentas No (0)

Si (1)




14

No CCJs Número acciones judiciales Ninguna (0)

Alguna (1)

CCJs_Value Valor medio de las cantidades

reclamadas

Charge_Flag Activos pignorados No (0)

Si (1)

Auditor_Changed Cambio de auditor No (0)

Si (1)

Audited Cuentas auditadas No (0)

Si (1)

AQ_Clean Opinión favorable informe auditoria No (0)

Si (1)

AQ_No_Clean Opinión no favorable informe auditoria

No (0)

Si(1)

Empresa familiar Empresa familiar No (0)

Yes (1)

Según Hudson (1987), las empresas más jóvenes tienen mayores probabilidades

de entrar en quiebra, por ello es por lo que se ha considerado la variable Ln_Age que

expresa en días el tiempo transcurrido desde el comienzo de su actividad hasta la fecha

en que presenta sus últimas cuentas.

La normativa del país del que proviene la muestra de empresas utilizadas

permite, a las que no cotizan, un período de 10 meses para presentar las cuentas a partir

del final del ejercicio. Las variables Late Filing days_1 y Late Filing days_2 cuentan el

número de días después de este periodo y, por tanto, se relacionan con el

incumplimiento de la regulación que, a su vez, suele deberse a razones que afectan

negativamente a la salud financiera de la empresa. La variable Late Filing Days_1 se

refiere al año previo y la variable Late Filing Days_2 al año en cuestión.

La variable No CCJs cuenta el número de acciones judiciales llevadas a cabo

por los acreedores para el cobro de las deudas que la empresa tiene contraídas con ellos

en los últimos 12 meses, y se ha codificado según existan o no dichas reclamaciones.




15

CCJs_Value es el valor medio de las cantidades reclamadas judicialmente.

También está presente en nuestra base de datos una variable relacionada con las

garantías aportadas por los prestatarios al solicitar financiación, Charge_Flag, que toma

el valor 1 si la empresa tiene activos pignorados y, 0, en caso contrario. Los

prestamistas, frecuentemente, exigen que los prestatarios aporten activos como garantía

de la financiación solicitada (Citron y Wright, 2008). Cuando el prestatario no cumple

con sus obligaciones el prestamista pignora las garantías aportadas haciendo uso de

dichos activos. Por ello, si una empresa tiene activos pignorados por un acreedor

significa que dicha empresa ha incumplido con sus obligaciones de pago contraídas con

aquel. Por tanto, la información sobre si una empresa tiene activos pignorados es

relevante desde la óptica del cumplimiento de sus obligaciones de pago.

Las cuatro siguientes variables están relacionadas con el proceso de auditoría,

así, la primera de ellas es la variable Auditor_Changed. Generalmente, las empresas

desean que el informe de auditoría no recoja aspectos u opiniones negativas acerca de la

situación económica-financiera de la empresa ya que, en ese caso, se verá con más

dificultades para financiarse, entre otros problemas. Por ello, si el auditor emite una

opinión desfavorable sobre la empresa en su informe de auditoría, dicha compañía

deseara cambiar de auditor para el próximo año con el objetivo de tener una opinión

diferente. Aunque el cambio de auditor puede ocurrir por diversas razones y no

necesariamente por la emisión de informes de auditorías desfavorables, puede, a priori,

ser una de las variables que influyan sobre la insolvencia empresarial.

Audited, es una variable dummy que recoge el hecho de que la empresa haya

sido o no auditada. Por lo general, la información financiera de las Microentidades con

las cuentas auditadas será más fiable que las empresas que no se auditan sus estados

financieros. Por otra parte, los auditores no sólo examinan la salud financiera de las

empresas, sino que también aconsejan sobre cómo aumentar la eficiencia para

conseguir sus objetivos. Para las empresas auditadas consideramos otras dos variables

relativas al informe del auditor. Según la legislación británica (Altman et al., 2010) el

auditor puede dar seis opiniones, ordenadas de peor a mejor, acerca de la situación de

una empresa. No obstante, debido a la escasa proporción de empresas auditadas en

nuestra muestra hemos procedido a reclasificar la opinión del auditor en dos variables




16

AQ_Clean y AQ_No_Clean con la finalidad de formar grupos con más sentido

estadístico: AQ_Clean toma el valor 1 cuando el informe del auditor es favorable, es

decir, el auditor no detecta problemas financieros, y AQ_No_Clean toma el valor 1

cuando el informe del auditor no es favorable.

La última variable considerada hace referencia al carácter familiar de la gestión

empresarial. Esta toma el valor 1 cuando la gestión de la empresa es realizada por

personas de la misma familia y, 0 en caso contrario. Según Morten et al. (2007), las

empresas en las que la gestión la realizan personas de la misma familia suelen tener

problemas unidos a su propia idiosincrasia: problemas de sucesión, escasa

profesionalización y/o especialización de la gestión empresarial, baja productividad,

etc., que las hacen tener más probabilidad de entrar en una situación de insolvencia

empresarial que aquellas empresas administradas por gestores independientes

5. RESULTADOS

5.1. Estadísticos Descriptivos

5.1.1. Empresas Familiares

Tabla 5: Estadísticos descriptivos de las variables cuantitativas

Variables cuantitativas Insolventes No insolventes

Estadísticas

descriptivas Media

Desviación

típica (n) Media

Desviación

típica (n)

Ln_Age 8,203 0,565 8,211 0,598

Stlta 0,129 0,222 0,066 0,173

Total_Assets 102339,82 60407,57 72565,08 58842,41

Cetl 0,863 4,647 2,380 6,162

Qaca 0,768 0,289 0,858 0,260

Prta -0,307 1,408 0,136 0,879

Tlca 2,665 6,571 2,545 8,686

Ncnw 7,359 9,847 3,617 6,490

Cratio 1,488 3,519 2,703 4,899

Tctd 5,501 20,431 11,123 27,492




17

Tctl 0,831 0,268 0,844 0,305

Tdta 0,452 0,304 0,324 0,302

Cashta 0,112 0,209 0,327 0,329

Nwta -0,335 1,579 -0,096 12,455

Indwoe -0,144 0,444 0,079 0,493

Elaboración propia

Tabla 6: Estadísticos descriptivos de las variables cualitativas

Variables cualitativas Frecuencia relativa del SI

Estadística Insolventes No insolventes

Late_Filing_Days_1 80,96% 94,09%


No_CCJ 8,18% 91,82%

Charge_Flag 5,58% 1,68%

Auditor_Changed 6,38% 8,39%

Audited 1,60% 1,84%

Aq_Clean 1,52% 1,26%

Aq_No_Clean 0,05% 0,49%

Elaboración propia

5.1.2. Empresas No Familiares

Tabla 7: Estadísticos descriptivos de las variables cuantitativas

Variables cuantitativas Insolventes No insolventes

Estadísticas

descriptivas Media

Desviación

típica (n) Media

Desviación

típica (n)

Ln_Age 7,969 0,738 8,036 0,557

Total_Assets 64882,453 56597,503 99635,252 60950,238

Stlta 0,075 0,195 0,131 0,231

Hhi_Sales 236,850 330,127 271,645 328,655

Cetl 2,673 6,810 0,872 4,428

Qaca 0,874 0,266 0,792 0,285




18

Elaboración propia

Tabla 8: Estadísticos descriptivos de las variables cualitativas

Variables cualitativas Frecuencia relativa del SI

Estadística Insolventes No Insolventes



No_CCJ 17,14% 1,99%

Charge_Flag 6,70% 1,55%

Auditor_Changed 10,34% 6,85%

Audited 4,07% 3,86%

Aq_Clean 3,38% 3,62%

Aq_No_Clean 0,66% 0,21%

Elaboración propia

5.2. Aplicación empírica de la metodología Rough Set

Tanto para las Microentidades familiares como para las no familiares, se han

realizado los siguientes pasos:

a) Categorización de las variables continuas en 4 intervalos y posterior

codificación en los valores 0, 1, 2, 3

Prta 0,001 1,149 -0,428 1,273

Tlca 3,110 9,779 3,121 7,689

Ncnw 3,068 5,649 6,658 9,452

Cratio 3,197 5,881 1,501 3,583

Tctd 12,345 27,515 5,717 20,913

Tctl 0,830 0,327 0,829 0,278

Tdta 0,318 0,320 0,466 0,311

Cashta 0,368 0,357 0,123 0,212

Nwta -0,137 3,872 -0,598 3,734

Indwoe -0,082 0,454 0,162 0,540




19

b) Aproximaciones del conjunto de elementos para las clases de decisión D=0

(Microentidades no insolventes y D=1 (Microentidades insolventes) cuando se

utilizan sólo variables financieras y cuando se utilizan todas las variables

c) Determinación de los atributos imprescindibles para la clasificación e

importancia de cada uno de ellos

d) Construcción de los reductos para extraer el mínimo conjunto de atributos que

proporcionan la misma información que todos ellos

e) Elección de uno de los reductos, elaboración de las reglas y resultados de la

clasificación

5.2.1. Microentidades familiares

a) Discretización de las variables continuas

Ln_Age : (-inf, 7.425) <7.425, 7.645) <7.645, 8.205) <8.205, +inf)

CCJValue medio : (-inf, 15.5) <15.5, 492.5) <492.5, 25195.5) <25195.5, +inf)

Indwoe : (-inf, -0.98) <-0.98, -0.29) <-0.29, 0.225) <0.225, +inf)

Total_Assets : (-inf, 24500) <24500, 54500) <54500, 86500) <86500, +inf)

Stlta:(-inf,0.0044543)<0.0044543,0.071685)<0.071685,0.38790)<0.38790, +inf)

HHI_Sales : (-inf, 51.09) <51.09, 175.06) <175.06, 570.59) <570.59, +inf)

Cetl: (-inf, -0.005) <-0.005, 0.495) <0.495, 0.995) <0.995, +inf)

Qaca : (-inf, 0.005) <0.005, 0.885) <0.885, 0.985) <0.985, +inf)

Prta : (-inf, -0.005) <-0.005, 0.235) <0.235, 0.555) <0.555, +inf)

Tlca : (-inf, 0.625) <0.625, 0.855) <0.855, 1.005) <1.005, +inf)

Ncnw : (-inf, -0.205) <-0.205, 0.195) <0.195, 10.945) <10.945, +inf)

Cratio : (-inf, 0.015) <0.015, 1.175) <1.175, 2.165) <2.165, +inf)

Tctd : (-inf, 0.295) <0.295, 0.995) <0.995, 47) <47, +inf)

Tctl: (-inf, 0.295) <0.295, 0.905) <0.905, 0.995) <0.995, +inf)

Tdta: (-inf, 0.005) <0.005, 0.205) <0.205, 0.645) <0.645, +inf)

Cashta : (-inf, 0.025) <0.025, 0.175) <0.175, 0.405) <0.405, +inf)

Nwta: (-inf, 0.035) <0.035, 0.245) <0.245, 0.445) <0.445, +inf)

b) Calidad de las aproximaciones

El conjunto X0 está formado por los elemento cuya variable de decisión es 0, es

decir, los no insolventes. Y el conjunto X1 por los elementos cuya variable de decisión

es 1, es decir, los insolventes.




20

Si el conjunto B está formado solo por las variables financieras

{Indwoe,Total_Assets,Stlta,HHI_Sales,Celt,Qaca,Prta,Tlca,Ncnw,Cratio,Tctd,Tctl,

Tdta,Cashta,Nwta} XB 0=3140 elementos y XB 0=4636 elementos, lo que implica una

precisión del 67,73%. XB 1=4517 elementos y XB 1=5249 elementos, lo que implica

una precisión del 71,50%. XBXB 1496, por lo que el conjunto X, formado por dos

clases de decisión, es un rough-set en base a los atributos considerados en B. Se obtiene

una precisión del 69,73% y una calidad de la aproximación del 82,17%

Si el conjunto B está formado por todas las variables {Ln_Age, Late Filing

days_1, Late Filing days_2, No CCJs,CCJs¬_Value, Charge_Flag,Auditor_Changed,

Audited,AQ_Clean,AQ_No_Clean,Indwoe,Total_Assets,Stlta,HHI_Sales,Celt,Qaca,Prt

a,Tlca,Ncnw,Cratio,Tctd,Tctl,Tdta,Cashta,Nwta} XB 0=3703 elementos y XB 0=4015

elementos, lo que implica una precisión del 92,23%. XB 1=4374 elementos y

XB 1=4686 elementos, lo que implica una precisión del 93,34%. XBXB 312, por lo

que el conjunto X, formado por dos clases de decisión, es un rough-set en base a los

atributos considerados en B. Se obtiene una precisión del 92,83% y una calidad de la

aproximación del 96,28%

El conjunto X sigue siendo un rough-set en base a los atributos considerados en

este nuevo conjunto B pero, a diferencia de lo que ocurría cuando solo considerábamos

las variables financieras, los elementos (Microentidades) dudosos se reducen a 312

frente a los 1496 anteriores. Además la calidad de la aproximación aumenta en 14,11

puntos porcentuales.

c) Los atributos imprescindibles para la clasificación son :Ln_Age

Late_Filing_Days_1,Late_Filing_Days_2,Charge_Flag,Auditor_Changed,Indwoe,Total

_Assets,Stlta, Hhi_Sales,Cetl,Qaca,Prta,Tlca,Ncnw,Cratio, Tctd,Tctl,Tdta,Cashta,Nwta.

Utilizándolos solo a ellos se obtiene una calidad de aproximación del 95,77%.

En la siguiente tabla presentamos el aumento en la calidad del modelo que

supone la introducción de cada variable

Tabla 9: Importancia de cada variable en la mejora de la calidad




21

Variable

introducida Ln_Age Late_Filing_Days_1 Late_Filing_Days_2 Charge_Flag

Auditor_

Changed

Aumento en

la calidad 3,92% 0,92% 2,42% 0,23% 0,88%

Variable

introducida Indwoe Total_Assets Stlta Hhi_Sales Cetl

Aumento en

la calidad 3,27% 6,51% 0,37% 4,28% 0,45%

Variable

introducida Qaca Prta Tlca Ncnw Cratio

Aumento en

la calidad 1,11% 0,66% 0,42% 0,18% 0,16%

Variable

introducida Tctd Tctl Tdta Cashta Nwta

Aumento en

la calidad 0,03% 0,10% 2,31% 2,52% 0,36%

Elaboración propia

La variable de mayor importancia es Total_Assets, seguida de Hhi_Sales. En el

grupo de las no financieras la que aporta mayor poder clasificatorio es Ln_Age.

d) Reductos

Se obtienen cuatro reductos, los dos primeros contienen 23 variables y los dos

últimos 22. Todos contienen a todas las variables financieras y son las no financieras las

que marcan las diferencias entre ellos.

1:{Ln_Age,Late_Filing_Days_1,Late_Filing_Days_2,Ccj_ValueMedio,Charge_Flag,

Auditor_Changed, Aq_Clean, Aq_No_Clean, Indwoe, Total_Assets,Stlta,

Hhi_Sales,Cetl, Qaca ,Prta Tlca, Ncnw, Cratio, Tctd, Tctl, Tdta, Cashta, Nwta }

2:{Ln_Age,Late_Filing_Days_1,Late_Filing_Days_2, No_CCJbinaria, Charge_Flag,

Auditor_Changed, Aq_Clean, Aq_No_Clean, Indwoe, Total_Assets,Stlta, Hhi_Sales,

Cetl, Qaca,Prta,Tlca, Ncnw, Cratio, Tctd, Tctl, Tdta, Cashta, Nwta }

3:{Ln_Age,Late_Filing_Days_1,Late_Filing_Days_2,Ccj_ValueMedio,Charge_Flag,

Auditor_Changed, Audited, Indwoe, Total_Assets,Stlta,Hhi_Sales, Cetl, Qaca,Prta,Tlca,

Ncnw, Cratio, Tctd, Tctl, Tdta, Cashta, Nwta}

4:{Ln_Age,Late_Filing_Days_1,Late_Filing_Days_2,No_CCJbinario,Charge_Flag,

Auditor_Changed,Audited,Indwoe,Total_Assets,Stlta,Hhi_Sales,Cetl,Qaca,Prta,Tlca,




22

Ncnw, Cratio, Tctd, Tctl, Tdta, Cashta, Nwta}

Hemos elegido el último para la última de las etapas del método: elaboración de

las reglas y validación de las mismas.

e) Resultados de la clasificación con el reducto 47

Tabla 10: Porcentajes medios de clasificación [%]

Correcto Incorrecto Sin clasificar

Total 70.74 +- 1.93 29.15 +- 1.89 0.12 +- 0.18

No insolventes 68.30 +- 3.99 31.54 +- 3.98 0.16 +- 0.25

Insolventes 72.81 +- 1.26 27.11 +- 1.21 0.09 +- 0.14

5.2.2. Microentidades no familiares

a) Discretización de las variables continuas

Ln_Age : (-inf, 7.325) <7.325, 7.535) <7.535, 8.735) <8.735, +inf)

Ccj_Valuemedio : (-inf, 9) <9, 188) <188, 2941) <2941, +inf)

Indwoe : (-inf, -0.27) <-0.27, 0.12) <0.12, 1.44) <1.44, +inf)

Total_Assets : (-inf, 14500) <14500, 37500) <37500, 119500) <119500, +inf)

Stlta : (-inf, 0.005) <0.005, 0.045) <0.045, 0.785) <0.785, +inf)

Hhi_Sales: (-inf, 39.12) <39.12, 48.81) <48.81, 175.06) <175.06, +inf)

Cetl: (-inf, -0.005) <-0.005, 0.005) <0.005, 0.595) <0.595, +inf)

Qaca: (-inf, 0.005) <0.005, 0.695) <0.695, 0.995) <0.995, +inf)

Prta: (-inf, -0.105) <-0.105, 0.265) <0.265, 0.575) <0.575, +inf)

Tlca : (-inf, 0.525) <0.525, 1.005) <1.005, 20.165) <20.165, +inf)

Ncnw: (-inf, 0.365) <0.365, 11.735) <11.735, 24.9) <24.9, +inf)

Cratio: (-inf, 0.015) <0.015, 0.995) <0.995, 2.435) <2.435, +inf)

Tctd: (-inf, 0.055) <0.055, 0.995) <0.995, 4.5) <4.5, +inf)

Tctl: (-inf, 0.105) <0.105, 0.465) <0.465, 0.995) <0.995, +inf)

Tdta: (-inf, 0.005) <0.005, 0.185) <0.185, 0.995) <0.995, +inf)

Cashta : (-inf, 0.075) <0.075, 0.245) <0.245, 0.595) <0.595, +inf)

7 Se obtienen 2222 reglas, aplicando el procedimiento LEM, que se han validado mediante el

procedimiento de validación cruzada, formando 10 grupos.




23

Nwta: (-inf, -0.005) <-0.005, 0.005) <0.005, 0.355) <0.355, +inf)

b) Calidad de las aproximaciones

El conjunto X0 está formado por los elemento cuya variable de decisión es 0, es decir,

los no insolventes. Y el conjunto X1 por los elementos cuya variable de decisión es 1, es

decir, los insolventes.

Si el conjunto B está formado solo por las variables financieras

{Indwoe,Total_Assets, Stlta, HHI_Sales, Celt, Qaca, Prta, Tlca, Ncnw, Cratio, Tctd,

Tctl,Tdta,Cashta,Nwta} XB 0=3892 elementos y XB 0=6811 elementos, lo que implica

una precisión del 57,14%. XB 1=4274 elementos y XB 1=7193 elementos, lo que

implica una precisión del 59,42%. XBXB 2919, por lo que el conjunto X, formado

por dos clases de decisión, es un rough-set en base a los atributos considerados en B. Se

obtiene una precisión del 58,31% y una calidad de la aproximación del 73,67%.

Si el conjunto B está formado por todas las variables {Ln_Age, Late Filing

days_1, Late Filing days_2, No CCJs,CCJs¬_Value, Charge_Flag,Auditor_Changed,

Audited,AQ_Clean,AQ_No_Clean,Indwoe,Total_Assets,Stlta,HHI_Sales,Celt,Qaca,Prt

a,Tlca,Ncnw,Cratio,Tctd,Tctl,Tdta,Cashta,Nwta} XB 0=5004 elementos y XB 0=5549

elementos, lo que implica una precisión del 90,18%. XB 1=5536 elementos y

XB 1=6081 elementos, lo que implica una precisión del 91,04%. XBXB 545, por lo

que el conjunto X, formado por dos clases de decisión, es un rough-set en base a los

atributos considerados en B. Se obtiene una precisión del 90,63% y una calidad de la

aproximación del 95,08%.

El conjunto X sigue siendo un rough-set en base a los atributos considerados en

este nuevo conjunto B pero, a diferencia de lo que ocurría cuando solo considerábamos

las variables financieras, los elementos (Microentidades) dudosos se reducen a 545

frente a los 2919 anteriores. Además la calidad de la aproximación aumenta en 21,41

puntos porcentuales.

c) Los atributos imprescindibles para la clasificación son: Ln_Age,

Late_Filing_Days_1, Late_Filing_Days_2, Ccj_Valuemedio, Charge_Flag,

Auditor_Changed, Audited, Indwoe, Total_Assets, Stlta, Hhi_Sales, Cetl, Qaca, Prta,




24

Tlca, Ncnw, Cratio, Tctl, Tdta, Cashta, Nwta . Utilizándolos solo a ellos se obtiene una

calidad de aproximación del 95,08%.

En la siguiente tabla presentamos el aumento en la calidad del modelo que

supone la introducción de cada variable

Tabla 11: Importancia de cada variable en la mejora de la calidad

Variable

introducida Ln_Age

Late_Filin

g_Days_1

Late_Filing_Days

_2

Ccj_Value

medio

Charge_

Flag

Aumento

en la

calidad

4,29% 1,47% 2,96% 0,69% 0,30%

Variable

introducida Auditor_

Changed Audited Indwoe

Total_

Assets Stlta

Aumento

en la

calidad

0,73% 0,48% 4,47% 6,81% 0,72%

Variable

introducida Hhi_Sales Cetl Qaca Prta Tlca

Aumento

en la

calidad

5,27% 0,28% 1,70% 1,30% 0,30%

Variable

introducida Ncnw Cratio Tctl Tdta Cashta

Aumento

en la

calidad

0,39% 0,37% 0,73% 2,41% 3,25

Variable

introducida Nwta

Aumento

en la

calidad

0,52%

Elaboración propia

La variable de mayor importancia es Total_Assets, seguida de Hhi_Sales. En el

grupo de las no financieras la que aporta mayor poder clasificatorio es Ln_Age.

d) Reductos

Obtenemos dos reductos, el primero de ellos con 22 variables y el segundo con

21.

1:{Ln_Age, Late_Filing_Days_1, Late_Filing_Days_2, Ccj_Valuemedio, Charge_Flag,




25

Auditor_Changed, Aq_Clean, Aq_No_Clean, Indwoe, Total_Assets, Stlta, Hhi_Sales,

Cetl, Qaca, Prta, Tlca, Ncnw, Cratio, Tctl, Tdta, Cashta, Nwta}

2:{Ln_Age, Late_Filing_Days_1, Late_Filing_Days_2, Ccj_Valuemedio, Charge_Flag,

Auditor_Changed, Audited, Indwoe, Total_Assets, Stlta, Hhi_Sales, Cetl, Qaca, Prta,

Tlca, Ncnw, Cratio, Tctl, Tdta, Cashta, Nwta}

La diferencia está en los ratios de auditoría. En el primer reducto se utilizan los

informes del auditor (Aq_Clean y Aq_No_Clean) y en el segundo si está auditada o no

(Audited).

En ambos el único ratio financiero que no aparece es TCTD (Proveedores /

Clientes), hecho que las diferencia de las Microentidades con carácter familiar.

Hemos elegido el que tiene menos variables para la última de las etapas del

método: elaboración de las reglas y validación de las mismas.

e) Resultados de la clasificación con el reducto 28

Tabla 12: Porcentajes medios de clasificación [%]

Correcto Incorrecto Sin clasificar

Total 74.70 +- 1.41 25.30 +- 1.41 0.00 +- 0.00

No insolventes 72.21 +- 2.60 27.79 +- 2.60 0.00 +- 0.00

Insolventes 76.97 +- 1.58 23.03 +- 1.58 0.00 +- 0.00

6. CONCLUSIONES

En este trabajo hemos analizado la importancia que tiene un conjunto de

variables en la determinación de la quiebra empresarial, específicamente las variables

no estrictamente financieras en la determinación de la quiebra de las microempresas.

Para ello hemos utilizado la técnica de los Rough Sets, encuadrada dentro de los

métodos de Inteligencia Artificial, que nos permite trabajar sin necesidad de que las

variables de partida estén sometidas a ninguna hipótesis inicial.

Partiendo de una base de datos con información económico-financiera de

4.813.391 PYMEs del Reino Unido entre los años 1999-2009, hemos extraído una sub-

8 Se han obtenido mediante el procedimiento LEM, 2179 reglas, que se han validado mediante el

procedimiento de validación cruzada, formando 10 grupos.




26

muestra de 19.476 microempresas con datos relativos a los años 2007, 2008 y 2009, que

hemos sub-dividido a su vez según el carácter familiar o no de la misma.

Nuestros resultados muestran que la inclusión de variables no estrictamente

financieras mejora considerablemente los porcentajes de clasificación correcta, en

concreto la “edad” de la empresa es una variable determinante en la clasificación.

Debido a la escasa información financiera publicada por las microentidades, la

significatividad de la información no financiera en la predicción de la quiebra adquiere

especial relevancia para este segmento empresarial. De la misma forma, y entre las

variables financieras, es el “total de activos” la que aporta una mayor contribución a la

clasificación, lo que pone de manifiesto la importancia de diferenciar los modelos en

base al tamaño empresarial.

En cuanto a la distinción entre empresas familiares o no, con las primeras

alcanzamos un mejor porcentaje de clasificación correcta (96,28% frente al 95,08% de

las no familiares) encontrando que el ratio TCDT (Proveedores / Clientes) no aporta

información añadida a las microempresas no familiares.

7. REFERENCIAS BIBLIOGRÁFICAS

Altman, E.I. (1968). “Financial ratios, discriminant analysis and prediction of

corporate bankruptcy”. Journal of Finance, 23(4), pp 589–609.

Altman, E.I., & Sabato, G. (2007). “Modeling Credit Risk for SMEs: Evidence from

US” Market ABACUS, 43(3), pp 332-357.

Altman, E.I., Sabato, G. & Wilson, N. (2010). “The Value of Non-financial

Information in Small and Medium-sized Enterprise Risk Management”. Journal of

Credit Risk, 6(2), pp 95-127.

Beaver, W. (1966). “Financial Ratios as Predictors of Failure, Empirical Research in

Accounting: Selected Studied”. Journal of Accounting Research, 4, pp 71-111.

Berger, A. N. and Frame, W. S. (2007). “Small Business Credit Scoring and Credit

Availability”. Journal of Small Business Management, 45, pp 5–22.

BIS. (2011). Simpler reporting for the smallest businesses. Discussion paper for

department of Business Innovations and Skills (BIS). Electronic document




27

(http://www.bis.gov.uk/assets/biscore/business-law/docs/s/11-1100xsimpler-

reporting-for-smallest-businesses-discussion-paper).

Blanco Oliver, A.J. “Predicción de la insolvencia en microentidades mediante

analisis logit y redes neuronales artificiales”. Tesis Doctoral. Sevilla, 2012.

Blum, M. (1974).”Failing company discriminant analysis”. Journal of Accounting

Research, 12, pp 1-25.

Carter, R. & Auken, H. V. (2006). “Small Firm Bankruptcy”. Journal of Small

Business Management, 44: 493–512.

Chen, S., Härdle, W.K. & Moro, R.A. (2011). “Modeling default risk with

support vector machines”. Quantitative Finance, 11(1), pp 135-154.

Ciampi F. & Gordini, N. (2013). “Small Enterprise Default Prediction Modeling

through Artificial Neural Networks: An Empirical Analysis of Italian Small

Enterprises”. Journal of Small Business Management, 51 (1): 23-45.

Citron, D., & Wright, M. (2008).”Bankruptcy costs, leverage and multiple secured

creditors: the case of managemnet buy-outs”. Accounting and Business Research,

38(1), pp 781-799.

Claessens, S., Djankov, S., & Lang, L. (2000). “The separation of ownership and

control in east Asian corporations”. Journal of Financial Economics, 58, pp 81-112.

Deakin, E. B. (1972). “A discriminant analysis of predictors of business failure”.

Journal of Accounting Research, 10(1), pp 167-179.

Dietsch, M., & Petey, J. (2004). “Should SME Exposures be treated as Retail or

Corporate Exposures? A Comparative Analysis of Default Probabilities and Asset

Correlation in French and German SMEs”. Journal of Banking and Finance, 28(4),

pp 773-788.

Dimitras, A., Zanakis S., & Zopounidis C. (1996). “A survey of Business Failures

with an Emphasis on Failure Prediction Methods and Industrial Applications”.

European Journal of Operational Research, 90(3), pp 487-513.

Edmister, R., (1972). “An Empirical Test of Financial Ratio Analysis for Small

Business Failure Prediction”. Journal of Financial and Quantitative Analysis, 7(2),

pp 1477-1493.




28

Fan, J., y Wong, T. (2001).”Corporate ownership structure and the informativeness

of accounting earnings in East Asia”. Journal of Accounting and Economics, 33, pp

401-426.

Fletcher, D., & Goss, E. (1993).”Forecasting with neural networks: An application

using bankruptcy data”. Information and Management, 24(3), pp 159-167.

Gómez-Domínguez, D.; Vazquez-Cueto, M. J. (2013) “Utilidad de la metodología

de los conjuntos imprecisos en la elaboración de señales de alerta temprana de

crisis financieras” . Revista Análisis Financiero, 123, pp 76-87

Gorzalczany, M.B., y Piasta, Z. (1999). “Neuro-Fuzzy approach versus rough-set

inspired methodology for intelligent decision support”. Information Sciences 120,

pp 45-68

Greco, S., Matarazzo, B., Slowinski, R., (1998). “A new rough set approach to

evaluation of bankruptcy risk”. In: Zopounidis, C. (Ed.), Operational Tools in the

Management of Financial Risks. Kluwer Academic Publishers, Dordrecht, pp. 121–

136.

Greco, S., Matarazzo, B. y Slowinski, R. (2002) “Rough sets methodology for

sorting problems in presence of multiple attributes and criteria”. European Journal

of Operational Research 138, pp 247–259.

Hudson, J. (1987). “The Age, Regional and Industrial Structure of Company

Liquidations”.Journal of Business Finance and Accounting, 14 (2), pp 199-213.

Jacobson, T., Kindell, R., Linde, J., & Roszbach, K. (2008). “Firm Default and

Aggregate Fluctuations”. Working Paper, Sveriges Riskbank, 226, Disponible en

SSRN: http://ssrn.com/abstract=1471254.

Leshno, M., & Spector, Y. (1996). “Neural network prediction analysis: The

bankruptcy case”. Neurocomputing, 10(2), pp 125-147.

Liou, D.K., & Smith, M. (2006). “Macroeconomic Variables in the Identification of

Financial Distress”, Working Paper, May, Disponible en SSRN:

http://ssrn.com/abstract=900284.

McKee, T. (2000). ”Developing a Bankruptcy Prediction Model via Rough Sets

Theory” International Journal of Intelligent Systems in Accounting, Finance &

Management, 9, pp 159-173




29

McPherson, M.A. (1996).”Growth of micro and small enterprises in southern

Africa” Journal of Development Economics, 48, pp 253-277.

Mead, D.C y Liedholm, C. (1998).”The Dynamics of Micro and Small Enterprises

in Developing Countries”. World Development, 26, pp 161-74. Elsevier.

Miller, K., Griffiths, T., and Jordan, M. (2009).”Nonparametric latent feature

models for link prediction”. In NIPS.

Morten B., Nielsen, K. M., Perez-Gonzalez, F., & Wolfenzon, D. (2007). “Inside the

Family Firm: The Role of Families in Succession Decisions and Performance”. The

Quarterly Journal of Economics, 122(2), pp 647-691.

Mosqueda Almanza, R. M. (2010). “Falibilidad del método Rough Set en la

conformación de modelos índice de riesgo dinámico en la predicción del fracaso”.

Journal of Economics, Finance and Administrative Science, 15 (28), pp 65-87.

Myers, S. (1977). “Determinants of corporate borrowing”. Journal of Financial

Economics, 5(2), pp 147-175.

Ohlson, J. A. (1980). “Financial ratios and the probabilistic prediction of

bankruptcy”. Journal of Accounting Research, 18(1), pp 109-131.

O´Leary, D. (1995).On the history of AI applications. II. IEEE Conference on

Artificial Intelligence Applications IEEE Expert, 10(1), pp 61-65

Pawlak, Z. (1982).”Rough sets”. International Journal of Information and computer

Sciences 11, pp 341-356.

Pawlak, Z., Grzymala-Busse, J.W., Slowinski, R. y Ziarko, W. (1995). “Rough

Sets”. Communications of the ACM, 38 (11), pp 89-95.

Ravi Kumar, P., & Ravi, V. (2007). “Bankruptcy Prediction in Banks and Firms Via

Statistical and Intelligent Techniques - A Review”. European Journal of Operational

Research, 180(1), pp 1-28.

Rose, www-idss.cs.put.posnan.pl/rose

Samaniego Medina, R.,Vázquez-Cueto, M. J.(2013).”Modeling credit risk: an

application of the rough set methodology”. International Journal Of Banking And

Finance,10(1)




30

Slowinski, R. y Zopounidis, C. (1995). “Application of the rough set approach to

evaluation of bankruptcy risk”. International Journal of Intelligent Systems in

Accounting, Finance and Management, 4, pp 27-41

Taffler, R. J. (1984). “Empirical Models for the Monitoring of UK Corporations”.

Journal of Banking and Finance, 8(2), pp 199-227.

Tay, F. E. & SHEN, L. (2002). “Economic and financial prediction using rough set

model European”. Journal of Operational Research, 129, 141, pp 641-659.

Tsukuda, J., & Baba, S. (1994). “Prediction Japanese corporate bankruptcy in terms

of financial data using neural networks”. Computers and Industrial Engineering,

27(1-4), pp 445-448.

Tsumoto, S. (1998). “Automated induction of medical expert system rules from

clinical databases based on rough set theory”. Information Sciences, 112, pp 67-84.

Zmijewski, M. E. (1984). “Methodological Issues Related to the Estimation of

Financial Distress Prediction Models”. Journal of Accounting Research, 22, pp 59-

82.

factores determinantes de las quiebras en microempresas

Documents